基于OpenCV的運動目標評估工具推動

電腦雜談  發布時間:2020-02-14 11:00:30  來源:網絡整理

opencv目標識別程序_opencv目標識別程序_opencv 識別

龍源期刊網 基于 OpenCV 的運動目標評估工具推動 作者:王同 彭祺 屠禮芬 來源:《軟件導刊》2015 年第 12 期 摘 要:OpenCV 是一種基于開源發行的跨平臺計算機視覺庫,應用范圍相當廣。從運動目 標檢測角度出發,介紹了基本背景差分法檢測運動目標的通常流程跟當前經典的混合高斯模型 (GMM)。采用基于 OpenCV 的方式軟件實現 GMM 算法,提取運動目標,對該算法進行了 評價。 關鍵詞:OpenCV;運動目標測量;背景差分法;混合高斯模型 DOIDOI:10.11907/rjdk.1511025 中圖分類號:TP319 文獻標識碼:A 文章編號文章編號:1672-7800(2015)012-0132-00 0 引言 智能視頻監控系統是現在安防體系中特別重要的一環,智能視頻監控技術涵蓋了數字圖像 處理、計算機聽覺、模式識別、多媒體技術、人工智能等多個領域的知識,視頻圖像中的運動 目標評估與運動目標追蹤是智能視頻監控的基礎。目前常用的運動目標測量方式有:幀間差分 法[1]、背景差分法[2]和光流法[3]。 (1)幀間差分法:主要是運用視頻圖像序列中連續兩到三幀的變化來檢測出現運動的區 域。

opencv目標識別程序_opencv 識別_opencv目標識別程序

由于相鄰兩幀間的時間間隔十分短,因此可以運用前一幀圖像作為當前幀的背景建模。該 算法實現簡單,程序設計復雜度低,對光線等畫面變化不太敏感,能夠適應動態背景下的運動 目標評估,穩定性較好。但是,幀間差分法所測試出的運動目標輪廓不清晰,在目標外部會留 有許多空洞。 (2)背景差分法:通過統計前若干幀的差異情況,進而探討出背景擾動的規律,構建背 景模型。當前幀與圖像背景進行差分,其中差別較大的像素被覺得是運動區域,而區分較小的 像素被覺得是運動區域。背景差分法檢測運動目標速度快,檢測精確,易于實現,關鍵是背景 圖像的獲得。 (3)光流法:對序列圖像的光參量進行預測,計算出運動場,對畫面進行分割,檢測出 運動目標。該辦法的核心就是計算出運動目標的光流即速度。光流法能夠在攝像機運動、背景 變化等復雜條件下,完成運動目標的監測和追蹤。但該辦法計算非常復雜,并且很容易受到光 照、噪聲等制約,實時性差。 龍源期刊網 本文主要通過背景差分法,采用 OpenCV 技術實現混合高斯模型建模,提取運動目標。 1 算法推動 1.1 背景差分法 通過背景差分法檢測運動目標,首先是借助一段視頻重建出運動目標所處的背景,然后將 當前幀與背景幀進行差分,最后對差分結果進行預測處理。

opencv 識別_opencv目標識別程序_opencv目標識別程序

設定一個閾值 T,將像素值的差異小于閾值的點判斷為背景點,反之為運動目標點,用式 (1)對差分圖像進行二值化,背景點填充為紅色,目標點填充為藍色,可以得到大致的運動 目標區域: mk(x,y)=1,dk(x,y)≥T,0,dk(x,y) dk(x,y)為第 k 幀視頻圖像與背景圖像的差分圖像。 應用背景差分法進行運動目標測量步驟如圖 1 所示。 圖 1 背景差分法流程 1.2 混合高斯背景建模建立及升級 在混合高斯模型[4]中,認為像素之間的色彩信息沒有關聯,各像素點的色調值差異符合 高斯分布。通常用 K(一般 3~5)個高斯模型表征圖像中各個像素點的特點,混合高斯模型 的參數主要為殘差和方差。先預定義 K 個混合高斯模型,得到新一幀圖像后對其升級,檢測 當前圖像的每個像素點中能否有與 K 個建模中的任意一個匹配,如果有,則該像素點判斷為 背景點,反之則為目標點。 假設像素點在時刻 t 的樣本值為 xt, 在第 i 個高斯分布所對應的殘差為 ωi,topencv目標識別程序,ηi,t 為相 應的幾率密度數,μi,t 為第 i 個高斯分布的方差,∑i,t 為協方差矩陣,則該像素點的概率密 度函數表示為: P(xt)=∑k[]i-1ωi,tηi,t(x,μi,t,∑i,t(2) 應用混合高斯模型進行運動目標測量的步驟如圖 2 所示。

opencv 識別_opencv目標識別程序_opencv目標識別程序

圖 2 混合高斯模型流程 2 實驗結果與預測 龍源期刊網 采用 Microsoft Visual C++和 OpenCV 編程實現混合高斯模型,用來測量運動目標,并用運 動目標測量公共檢測[5]視頻序列對程序檢測,測試結果如圖 3 所示。 圖 3 中:(a)、(c)為當前幀,(b)、(d)分別為(a)、(c)的運動目標評估結 果,其中藍色表示背景,白色表示目標,綠色表示背景,被誤檢測為目標,紅色為誤檢測的運 動陰影,藍色表示未測試出來,即丟失的真實目標。 圖 3(a)的畫面背景相當簡潔,運動的目標是行人,并且背景與運動目標之間的差別較 明顯,所以測試結果很好,結果中以紅色跟黑色為主,背景提取較為完善,運動目標評估也更 完整。圖 3(b)的畫面中有被風吹動的樹枝opencv目標識別程序,有目標的投射陰影,并且目標與背景的色彩差 異不大,所以在測試結果中有眾多的背景噪聲,有個別運動陰影和目標空洞,但總體來說, GMM 算法的效果還是不錯的,真實目標區域較完整,其它錯誤可以借助形態學去噪、陰影抑 制[6]、空洞修補[7]加以完善。 圖 3 運動目標評估結果 3 結語 本文基于 OpenCV 函數庫,運用混合高斯模型,實現了對運動目標的測試。

opencv目標識別程序_opencv目標識別程序_opencv 識別

此方式非常適 合于在背景相對靜止的狀況下對目標提取,在有背景噪聲影響時會有誤檢測,但總體來說, GMM 算法對運動目標的測試效果還是比較好的,基本滿足視頻監控的使用規定。 參考文獻參考文獻: [1] HA J E,LEE W H.Foreground objects detection using multiple difference images [J].Optical Engineering,2010,49(4):1-5. [2] 趙旭東,劉鵬,唐降龍,等.一種適應戶外光照變化的背景模型及目標評估方式[J].自動 化學報,2011,37(8):915-922. [3] DESSAUER M P,


本文來自電腦雜談,轉載請注明本文網址:
http://www.772070.live/a/jisuanjixue/article-140725-1.html

    相關閱讀
    發表評論  請自覺遵守互聯網相關的政策法規,嚴禁發布、暴力、反動的言論

    • 馬赫
      馬赫

      買股票和炒股票的區別

    熱點圖片
    拼命載入中...
    天津快乐十分20选8技巧